Reklamy UGC z AI - awatar, produkt i mowa po polsku

Reklama UGC z AI to pionowy klip, w którym postać trzyma produkt i mówi do kamery jak zwykły użytkownik. Robię ją w trzech krokach: kadr awatara z produktem w Nano Banana Pro (od 0,439 zł za obraz) ze zdjęciem produktu jako referencją, klip 8-10 sekund z polską kwestią w MiniMax H3 (od 0,931 zł za sekundę, dźwięk w cenie) i kilka wariantów pierwszego zdania, czyli hooka, z napisami dodanymi w montażu. Niżej prompty, wybór modelu do polskiej i angielskiej mowy, koszt pięciu wariantów i zasady oznaczania treści AI według AI Act, Meta i TikToka.

Co musi mieć reklama UGC z AI

Zanim cokolwiek wygeneruję, zapisuję plan jednej reklamy:

• format: 9:16, bo UGC żyje w rolkach, TikToku i Shorts,
• postać: wymyślona osoba (wiek, styl, otoczenie), nie podobizna prawdziwego człowieka bez jego zgody,
• produkt: 1-3 zdjęcia prawdziwego opakowania z różnych stron,
• kwestia: jedno, dwa krótkie zdania na 8-10 sekund, mniej więcej do 20 słów,
• hook: pierwsze 2 sekundy, które testuję w kilku wariantach,
• oznaczenie: informacja, że postać i nagranie są wygenerowane przez AI (szczegóły niżej).

Całą resztę, czyli napisy, logo i dźwięk końcowy, dokładam w montażu. Ogólny proces reklamy produktowej (packshot, animacja, muzyka) opisałem w tekście jak zrobić reklamę produktu z AI. Tu skupiam się na wersji z mówiącą postacią.

Krok 1: awatar z produktem w Nano Banana Pro

Kadr startowy robię w Nano Banana Pro, bo przyjmuje do 14 obrazów referencyjnych i ma proporcję 9:16 wprost. Do pola "Obrazy referencyjne" w Studio (image_urls w API) wgrywam zdjęcia produktu, a jeśli chcę tę samą postać w kilku reklamach, także jej wcześniejszy kadr. Prompt opisuje osobę, gest i otoczenie, a produkt wskazuje jako "ten z referencji":

Vertical smartphone selfie photo, 9:16. A woman in her early thirties with shoulder-length
dark hair, natural makeup, oversized beige sweater, sitting on a sofa in a bright living room.
She holds the skincare jar from the reference images at chest height, label facing the camera,
fingers not covering the label. Natural window light, slightly casual framing, looking into
the lens with a friendly half-smile. Keep the product shape, colors and label exactly as in the
reference. No other text, no logos, no watermarks.

Na co uważam przy tym kroku:

• Etykieta przodem, palce poza nią. Dłonie i napisy to miejsca, które model wideo najłatwiej zniekształci, więc ustawiam je dobrze już na zdjęciu.
• Kadr "jak z telefonu". Lekko nierówny kadr i światło z okna wyglądają naturalniej niż studyjny packshot, a o to w UGC chodzi.
• Rozdzielczość 2k. Kadr idzie potem do modelu wideo jako pierwsza klatka, więc nie oszczędzam na nim.
• 3-4 próby. Wybieram kadr, w którym etykieta jest czytelna i dłonie mają pięć palców.

Jak trzymać jedną twarz w wielu reklamach, opisałem w tekście spójna postać AI.

Krok 2: klip 8-10 sekund z kwestią

Gotowy kadr staje się pierwszą klatką klipu, a prompt opisuje ruch, głos i samą kwestię. Wybór modelu zależy od języka. W moim teście polskiej mowy z 28 września 2026 każdy model mówił to samo trudne zdanie z 12 słów:

Wyniki to liczba błędnie rozpoznanych słów w transkrypcji faster-whisper (modele large-v3 / medium), jedna próba na model, testowane przez API innych dostawców. Co z tego biorę do reklam UGC:

• Polska kwestia: MiniMax H3. Jeden błąd w łamańcu, a dźwięk jest w każdym klipie bez dopłaty. Klip 8-10 s mieści się w jego zakresie 4-15 s.
• Veo 3.1 i Gemini Omni 1.1 mówiły po polsku najczyściej, ale testowałem je poza Jantarisem, a nasze formularze nie pokazują przełącznika dźwięku. Zanim zaplanujesz serię, zrób jeden klip próbny i sprawdź, czy ma ścieżkę z mową.
• Angielska kwestia: Kling 3.0 z włączonym generate_audio. Angielski jest na oficjalnej liście języków Klinga, polskiego tam nie ma i w teście było to słychać.
• Gemini Omni 1.1 przy 8 i 10 s kosztuje więcej niż przy 6 s, dokładną kwotę dla długości pokazuje Studio i kalkulator kosztów.

Prompt klipu piszę tak jak przy każdej polskiej kwestii: scena po angielsku, kwestia po polsku w cudzysłowie, liczby słownie i zakaz napisów:

The woman from the first frame looks into the phone camera and talks naturally, slight handheld
movement, she lifts the jar a little when she mentions it. She says clearly in Polish, warm
friendly female voice, normal pace: "Mam suchą skórę i szukałam kremu, który nie klei się po
nałożeniu. Ten wchłania się w minutę." Quiet room ambience, no music, no subtitles,
no on-screen text.

Przez API to jedno zlecenie z adresem kadru w image_url. Proporcje H3 bierze wtedy z obrazu, więc pionowy kadr daje pionowy klip:

curl https://jantaris.com/v1/generate \
  -H "Authorization: Bearer $JANTARIS_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "minimax-h3",
    "input": {
      "prompt": "The woman from the first frame looks into the phone camera and talks naturally, slight handheld movement. She says clearly in Polish, warm friendly female voice: \"Mam suchą skórę i szukałam kremu, który nie klei się po nałożeniu. Ten wchłania się w minutę.\" Quiet room ambience, no music, no subtitles, no on-screen text.",
      "image_url": "https://twoj-sklep.pl/ugc/kadr-krem.png",
      "resolution": "768P",
      "duration": 8
    }
  }'

Próby robię w 768P, a finał w 2K. Gotowy plik odbierasz przez GET /v1/tasks/{id}. Mowę sprawdzam transkrypcją (faster-whisper albo automatyczne napisy w CapCut) i porównuję z tekstem, bo ucho przepuszcza połknięte końcówki.

Krok 3: warianty hooka

W reklamie UGC najwięcej zależy od pierwszego zdania. Ten sam kadr i ten sam produkt puszczam z pięcioma różnymi otwarciami, a resztę kwestii zostawiam bez zmian:

• problem: "Mam suchą skórę i każdy krem się na mnie kleił.",
• pytanie: "Czy Twój krem też zostawia tłusty film na twarzy?",
• liczba: "Jedna warstwa rano i do wieczora mam spokój.",
• zaskoczenie: "Nie wierzyłam, że krem może się wchłonąć w minutę.",
• polecenie: "Zanim kupisz kolejny krem, posłuchaj przez dziesięć sekund."

Wszystkie hooki mówią o cechach produktu, a nie o zmyślonych doświadczeniach kupującego, o czym więcej w części o etyce. Przez API pięć wariantów to pętla po liście kwestii:

import os, time, requests

API = "https://jantaris.com/v1"
HEADERS = {"Authorization": f"Bearer {os.environ['JANTARIS_API_KEY']}"}
FRAME = "https://twoj-sklep.pl/ugc/kadr-krem.png"
REST = "Ten krem wchłania się w minutę i nie klei się pod makijażem."

HOOKS = [
    "Mam suchą skórę i każdy krem się na mnie kleił.",
    "Czy Twój krem też zostawia tłusty film na twarzy?",
    "Jedna warstwa rano i do wieczora mam spokój.",
    "Nie wierzyłam, że krem może się wchłonąć w minutę.",
    "Zanim kupisz kolejny krem, posłuchaj przez dziesięć sekund.",
]

tasks = []
for hook in HOOKS:
    prompt = (
        "The woman from the first frame looks into the phone camera and talks naturally, "
        "slight handheld movement. She says clearly in Polish, warm friendly female voice: "
        f'"{hook} {REST}" Quiet room ambience, no music, no subtitles, no on-screen text.'
    )
    task = requests.post(f"{API}/generate", headers=HEADERS, timeout=30, json={
        "model": "minimax-h3",
        "input": {"prompt": prompt, "image_url": FRAME, "resolution": "768P", "duration": 9},
    }).json()
    print(task["id"], task["estimated_cost"])
    tasks.append(task)

for task in tasks:
    while task["status"] not in ("succeeded", "failed"):
        time.sleep(10)
        task = requests.get(f"{API}/tasks/{task['id']}", headers=HEADERS, timeout=30).json()
    print(task["status"], task["output"][0]["url"] if task["output"] else task["error"])

Linki w output są ważne ograniczony czas, więc pliki pobieram od razu. Przy większych seriach zamiast odpytywania używam webhooków.

9:16 i napisy

Pion ustalam już w kroku 1, bo kadr startowy decyduje o proporcjach klipu. W montażu:

• przycinam pierwsze i ostatnie pół sekundy, jeśli postać "zamarza" albo urywa słowo,
• dodaję napisy jako warstwę w programie do montażu, nigdy w prompcie (stąd no subtitles),
• trzymam napisy w środkowej części kadru, bo dół i prawy bok rolki zasłaniają przyciski i opis,
• dokładam oznaczenie AI i "#reklama" w opisie oraz na ekranie,
• oglądam gotowy plik na telefonie z wyciszonym dźwiękiem, bo tak ogląda go większość ludzi.

Ile kosztuje 5 wariantów reklamy UGC

Przykład: jeden kadr postaci z produktem i pięć hooków po 8-9 sekund, każdy w dwóch podejściach. Kolumna z Veo 3.1 liczy klipy po 8 s, bo krótszego ani dłuższego ten model nie robi.

Ceny wstawiają się z cennika, więc tabela jest aktualna w dniu czytania. Stawka H3 "od" dotyczy 768P, finał w 2K kosztuje więcej, a w Veo 3.1 720p i 1080p mają jedną cenę. Nieudane generacje (status failed) kosztują 0 zł. Swoje warianty, w tym Gemini Omni przy 8 i 10 s albo Kling z dźwiękiem, policzysz w kalkulatorze kosztów AI. Saldo doładowujesz od 40 zł BLIK-iem albo kartą, nie wygasa i nie ma abonamentu.

Szablon promptu UGC

Ten szablon kopiuję do każdej nowej reklamy i podmieniam pola w nawiasach kwadratowych. Pierwsza część idzie do modelu obrazu, druga do modelu wideo:

[KADR - model obrazu, referencje: zdjęcia produktu]
Vertical smartphone selfie photo, 9:16. [WIEK I WYGLĄD POSTACI], [UBRANIE],
[MIEJSCE: kitchen / car / bathroom / living room]. [Holds / points at] the [PRODUKT]
from the reference images, label facing the camera, fingers not covering the label.
Natural [window / daylight / evening lamp] light, casual framing, looking into the lens.
Keep the product exactly as in the reference. No other text, no logos, no watermarks.

[KLIP - model wideo, pierwsza klatka: kadr powyżej]
The [person] from the first frame looks into the phone camera and talks naturally,
slight handheld movement, [GEST PRZY PRODUKCIE]. She/He says clearly in [Polish / English],
[OPIS GŁOSU: warm female / low calm male], normal pace: "[HOOK] [CECHA PRODUKTU]."
[DŹWIĘK OTOCZENIA], no music, no subtitles, no on-screen text.

Zasady do pola z kwestią: liczby słownie, jedno, dwa zdania na 8-10 sekund, bez nazw, które model może przekręcić (nazwę marki wolę dać w napisie albo lektorem w montażu).

Oznaczanie treści AI i etyka

Reklama z wygenerowaną osobą, która mówi do kamery, wygląda jak prawdziwe nagranie. Dlatego trzymam się trzech zasad: oznaczam treść jako wygenerowaną przez AI, awatar nie udaje prawdziwego klienta, a w kwestii nie ma fałszywych opinii typu "kupiłam i polecam" od osoby, która nie istnieje. Postać mówi o cechach produktu, które da się sprawdzić, a nie o swoich rzekomych doświadczeniach. Przepisy i zasady platform sprawdziłem 4 października 2026:

• AI Act, art. 50. Obowiązki przejrzystości stosuje się od 2 sierpnia 2026. Kto publikuje deepfake, czyli realistyczny obraz, dźwięk albo wideo, które mogą fałszywie wydawać się autentyczne, musi ujawnić, że treść wygenerowano lub zmieniono sztucznie. Kary sięgają 15 mln euro albo 3% światowego obrotu. Realistyczny "klient" mówiący do kamery łatwo pod to podpada, więc oznaczam każdą taką reklamę. Źródło: Komisja Europejska, Quick Facts: Transparency rules for AI systems i tekst rozporządzenia 2024/1689.
• Meta (Facebook, Instagram). Meta dodaje etykietę "AI info" do reklam utworzonych albo mocno zmienionych narzędziami AI, także zewnętrznymi, wykrywanymi po metadanych. Etykieta trafia do menu "O tej reklamie", a obowiązek samodzielnego ujawnienia dotyczy reklam politycznych i społecznych. Źródło: Meta, How AI-generated images in ads are identified and labeled i Meta Transparency Center, reklamy polityczne i społeczne.
• TikTok. W Ads Managerze przy tworzeniu reklamy zaznaczasz "This ad contains AI-generated content", gdy obraz, wideo albo dźwięk są w całości wygenerowane albo znacząco zmienione przez AI. Po wysłaniu nie da się tego odznaczyć bez zmiany materiału, a Spark Ads podlegają zasadom społeczności dotyczącym treści AI. Źródło: TikTok Ads Manager, Add disclaimers to ads.
• Fałszywe opinie. Dyrektywa Omnibus dopisała do czarnej listy nieuczciwych praktyk zamieszczanie i zlecanie fałszywych opinii konsumentów (w Polsce od 1 stycznia 2023 w ustawie o przeciwdziałaniu nieuczciwym praktykom rynkowym). Wygenerowany "zadowolony klient" jest bliżej fałszywej opinii niż zwykłej reklamy. Źródło: dyrektywa 2019/2161.

To nie jest porada prawna. Przy kampanii dla klienta albo w branżach regulowanych (suplementy, finanse, zdrowie) pokaż scenariusz prawnikowi.

Najczęstsze pytania

Jak zrobić reklamę UGC z AI?

Wygeneruj kadr wymyślonej postaci trzymającej produkt (Nano Banana Pro ze zdjęciem produktu jako referencją, proporcja 9:16), ożyw go modelem wideo z mową, np. MiniMax H3 dla polskiej kwestii, a w montażu dodaj napisy, oznaczenie AI i kilka wariantów hooka.

Który model AI mówi po polsku w reklamie?

W Jantarisie na start polecam MiniMax H3: w moim teście zrobił jeden błąd na 12 słów, a dźwięk ma zawsze w cenie. Veo 3.1 i Gemini Omni 1.1 mówiły po polsku czyściej, ale przed serią zrób klip próbny i sprawdź ścieżkę dźwięku. Kling 3.0 zostawiam do angielskich kwestii.

Ile kosztuje reklama UGC z AI?

Kadry plus sekundy wideo. Pięć hooków po 9 sekund w dwóch podejściach to 4 × od 0,439 zł za obraz + 90 × od 0,931 zł za sekundę w 768P. Nieudane generacje kosztują 0 zł.

Czy reklamę z awatarem AI trzeba oznaczać?

Tak. Od 2 sierpnia 2026 AI Act wymaga ujawniania realistycznych treści wygenerowanych przez AI, TikTok wymaga zaznaczenia "This ad contains AI-generated content", a Meta oznacza takie reklamy etykietą "AI info". Dopisuję oznaczenie także w opisie i na ekranie.

Czy awatar AI może polecać produkt jak klient?

Nie powinien. Wymyślona osoba, która opowiada, że kupiła i poleca produkt, to w praktyce fałszywa opinia. Awatar może pokazywać produkt i mówić o jego cechach, ale nie udaje prawdziwego klienta.

Jak długi może być klip z kwestią?

MiniMax H3 robi 4-15 sekund, Gemini Omni 1.1 4, 6, 8 albo 10 sekund, a Veo 3.1 zawsze 8 sekund. Do UGC planuję 8-10 sekund i najwyżej dwa krótkie zdania, a dłuższą reklamę składam z kilku klipów.